在BigQuant平台上可以快速开发股票传统策略和股票AI策略，今天我们就拿市值因子来练手，看看两个策略在2015-01-01到2016-12-31这两年时间各自的收益风险情形。

市值因子是国内股票市场能够带来超额收益的alpha因子，已经被验证为长期有效的因子，也是广大私募基金常用的因子之一，传

策略案例

[https://bigquant.com/experimentshare/3b88396b1ad14f8ab81c267704cc3742](https://bigquant.com/experimentshare/3b88396b1ad14f8ab81c267704cc374

策略案例

[https://bigquant.com/experimentshare/2d9488a9b36342898a1431052bc78d08](https://bigquant.com/experimentshare/2d9488a9b36342898a1431052bc78d0

策略案例

[https://bigquant.com/experimentshare/f67781e529994e2dac2562bf6e46fa74](https://bigquant.com/experimentshare/f67781e529994e2dac2562bf6e46fa7

\

1.反包多因子

经历了5-6月份一波暴利龙头之后，市场开始高低切换，最近表现的比较好的策略风格类型切换到了 反转形态

很多做情绪套利的高手，在这段时间里都是喜欢做热点股票次日回调，又或者是情绪反包的股票形态。

实盘证明，这类型的策略 确实是比较稳健的。

<https://bigquant.

现在先说说证券行情吧。

1。国外的股票行情我就不谈了，这个我不是很了解，今天我来说说国内两大证券交易所，上交所和深交所两大交易所。

上交所的L1和深交所的L1行情，狭义的说就是五档行情，还是比较好获取，渠道很多，但是质量参差不齐。我说说质量稍微好点的，野路子无限断、无限延迟行情，我就不谈了。

。

很多人需要沪深L2的实时市场，但也有很多人只需要深交所的L2行情数据接口，而不是上交所的L2行情。我接触过的任何一个市场都只是深交所，但我没有说只是上交所不需要深交所。

详细了解 https://gitee.com/l2gogogo

可能原因有2点：

1.上交所之前没有深

  BigQuant 平台目前支持的实盘为湘财证券, 如果我们是在别的券商开的帐户，同时想在盘中读取分钟级别的行情或指标进行择时买卖，而不是按策略的开盘买收盘卖，应该如何实现呢？ 通过BQ平台的API 和同花顺交易终端的python 编辑器就可以实现了：

1、 BQ API 读取

问题

如何结合欧奈尔的RPS指标,开发AI量化策略?

讲解

![{w:100}{w:100}{w:100}{w:100}{w:100}](/wiki/api/attachments.redirect?id=d250696f-3fd7-41da-a0b6-52fb5ec5519

本集合里将分享平台开发者们对DeepAlpha系列的实践研究报告

\

谁有兴趣想看多个天梯收益排前的优质策略的，本人可以共享，大家共同降低订阅成本，有意者请加V：hjr3138(备注大宽策略)

有偿提供源码，有需要请加我v

微信号

AI_believers

有偿提供源码和代做，有需要请加我v

微信号

AI_believers

![{w:100}](/wiki/api/attachments.redirect?id=8cca941f-2a6

作者：wintersp

DeepAlpha 的优势

DeepAlpha相比stockranker等机器学习的优势在于不用去刻意的构造寻找因子，网络结构本身就已经是一个因子的构造过程。可以专注于策略的适用性以及轮仓选择上面。拿到模型之后时间也比较短，做了一些试验。篇幅有限，有些内容我就不贴上

https://bigquant.com/experimentshare/22203b7b143a409c9c6ef54b8be573cb

\

1.科学的投资体系。基于处理后的各类数据，通过数学建模和回测将市场信息进行量化，从数据中解读背后蕴含的市场规律，捕捉价格波动过程中的交易机会，真正做到可追溯、易复盘、能验证、迭代快。

2.应用前沿技术。大数据时代，积极应用机器学习、深度学习等人工智能新兴技术，以实现强大的信息搜集与处理能力，及

很多人开发者都有这个发现, 就是排在第一名的股票不一定就是最好的.

下面我做了一些实验, 来看看排名和收益的关系.

(前期工作: 我之前没有尝试开发多股策略, 因为之前, 参加了BQ的活动--用DeepAlpha DNN框架来开发策略. 虽然我开发DNN效果一般般, 但是我发现了一些有意思的现象

作者：神乐（shen1，colol）

去量化基金公司面试，和从事量化的朋友，同事之间交流等经常会被问到一个问题，因子重要or模型重要？量化策略中最重要的是什么？有些人会认为因子比较重要，有些会认为策略的猜想比较重要。当然，关于这些问题没有标准答案，给出合理的解释，讲述对量化开发的个人观点是问题的本

![{w:100}{w:100}{w:100}](/wiki/api/attachments.r

1958 年感知机的诞生以及1986 年反向传播算法的出现，为深度学习奠定了基础。

1989 年，卷积神经网络（CNN）首次被提出，共用卷积核的方式很大程度上减少了模型中需要被训练的参数，在图像识别等方面有更好表现。

2000 年，一类非常重要的循环神经网络（RNN），长短期记忆神经网络（LST

时间：2021年5月

作者：Raoul Khouri

[/wiki/static/upload/9c/9cc596f2-0684-45d5-95c7-c417f034b8eb.pdf](/wiki/static/upload/9c/9cc596f2-0684-45d5-95c7-c417f034

Learning the Dynamics of Technical Trading Strategies

作者：Murphy N. J., Gebbie T. J.

出处：Quantitative Finance, 2021-03

摘要：本文使用了一种基于对抗型专家的在线学习算法来学习，

策略案例

[https://bigquant.com/experimentshare/2d9488a9b36342898a1431052bc78d08](https://bigquant.com/experimentshare/2d9488a9b36342898a1431052bc78d0